基于DNET的空中红外目标抗干扰识别算法

复杂空战背景下针对人工干扰的博弈是红外空空导弹精确探测制导技术发展面临的瓶颈和核心技术。针对人工干扰对空中红外目标产生的遮蔽、黏连、相似等干扰现象,以及目标机动和相对运动造成的形状、尺度、辐射特性剧烈变化等实际问题,提出一种基于信息特征提取的深度卷积神经网络DNET空中红外图像目标抗干扰识别算法。首先,DNET网络对大尺度特征图像采用密集连接模块,在前部通道保存每一层的网络输出,在网络末端引入特征注意力机制,获得每个特征通道的信息特征识别权重。然后,加入多尺度密集连接模块,并与多尺度特征融合检测结合,提高对大尺度变化情况下的目标特征提取能力。实验结果表明,在伴随红外诱饵干扰的实时检测条件下,红外目标由点目标变化为成像目标,直至充满视场的整个过程中,本文抗干扰识别算法的识别精确度、召回率及识别速度分别达到99.36%、96.95%、132 fps,具备识别精确度和召回率高、识别速度快等优点,并具有良好的鲁棒性。     

基于深度神经网络的客机总体设计参数敏感性分析

飞机总体主要设计参数敏感性分析揭示了总体主要设计参数对飞机特性指标的影响,有助于总体设计方案的决策。针对宽体客机总体主要设计参数敏感性问题,根据其总体主要设计参数和特性指标的特点,以及多学科间的耦合关系,建立了深度神经网络模型。该深度神经网络模型以客机总体主要设计参数为输入,对特性指标进行预测。在深度神经网络模型中,设置了多个输入层、多个输出层以及多个分块的隐藏层,从而模拟客机总体主要设计参数对特性指标的影响以及不同特性指标之间的相互作用。测试结果表明,与传统代理模型相比,深度神经网络模型对客机特性指标的预测精度更高,多参数适应性更好。利用该深度神经网络模型对客机总体主要设计参数进行敏感性分析。分析结果表明,机翼1/4弦线后掠角在30°~31.5°时,有利于减少最大起飞重量和起飞平衡场长;发动机海平面最大静推力和机翼面积对客机直接使用成本、最大起飞重量等特性指标的影响最为显著。     

基于脑电信号相位传递熵的谎言机制研究

说谎是复杂的认知过程,其执行控制功能需要不同脑区的共同参与,相关研究证实了这些脑区之间存在相互作用。针对当前脑电信号特征提取方法有限及谎言机制尚不明确的问题,利用相位传递熵构建了谎言实验过程中脑电信号的脑网络,并分析了诚实组和说谎组不同脑区间的效应连接差异。采用标准的三刺激实验模式对60名受试者进行说谎检测实验,同步采集所有受试者的脑电信号并进行预处理;利用相位传递熵构建效应连接矩阵,通过统计方法对矩阵中的每一条边进行2组间的熵值差异分析,选取具有显著性差异的导联对上的熵值作为全连接神经网络的分类特征,结果显示,分类准确率为96.75%,说明相位传递熵指标可以有效区分说谎者和诚实者2类人群的脑电信号;对2类人群大脑功能网络的分析结果显示,与诚实者相比,说谎类人群的额叶、顶叶和颞叶之间存在更强的信息流动,表明说谎行为需要协调和使用更多的大脑资源。研究结果有助于揭示说谎状态下大脑的神经活动机制。      

基于CNN机翼气动系数预测

随着机器学习的快速发展和其突出的非线性映射能力,越来越多的学者将机器学习方法应用到流体力学领域。为克服传统数学拟合不能很好的解决系统非线性问题,以及现有文献中所提及的一些基于神经网络的气动参数预测方法,需要进行参数化处理而带来的不便,同时为实现多变量多输出气动参数快速预测的目的,基于卷积神经网络考虑机翼变迎角和浮沉建立了一种多变量多输出的机翼气动参数预测模型,实现了机翼气动参数的快速预测。结果表明：所建模型具有较高且稳定的预测精度,并且计算效率较计算流体力学(CFD)提高了40倍。     

基于神经网络的翼型积冰预测

采用神经网络方法对翼型表面的积冰进行了预测研究.建立了一种型面曲线坐标系,通过坐标变换将积冰外形转化为几何曲线.利用傅立叶级数对此曲线进行拟合,实现积冰外形的参数化.以结冰条件作为输人,冰形参数作为输出构建神经网络,对NACA 0012翼型表面的积冰进行预测.通过将预测结果与实验结果以及数值模拟结果进行对比,说明所提出...     

某自动测试系统神经网络故障诊断模块设计与实现

阐述了自动测试系统中故障诊断的重要性,详述了诊断的流程.以某型防空导弹自动驾驶仪为例,首先利用LabVIEW中的MATLAB脚本节点,分别以BP和RBF神经网络为算法编写故障诊断函数;然后用LabVIEW开发故障诊断模块界面,最后将TabVIEW和神经网络两者的优势结合实现自动驾驶仪的故障诊断.实验仿真结果表明:模块设...     

基于人工神经网络的柔性机翼挠度预测

为实现对承载后柔性机翼挠度的准确预测,在全面分析柔性机翼挠度的影响因素基础上,应用正交试验法确定的影响柔性机翼挠度的主要因子作为输入变量,挠度作为输出变量,以大量试验数据为训练样本,通过多次试取隐含层和各隐含单元,并选取trainlm作为最优训练函数,最终建立了预测柔性机翼挠度的BP(Back Propagation)人工神经网络模型.在此基础上,随机选取试验结果中的12组试验样本,连续进行10次挠度预测,预测结果和试验实测值最大相对误差和标准方差分别为4.481%,1.033 7.解析结果表明:柔性机翼挠度预测结果与实验值吻合的较好,建立的人工神经网络预测模型具有较高的预测精度.